مقاله انگلیسی چارچوب تجزیه-ادغام پیش‌بینی قیمت کربن بر اساس روش‌های اقتصادسنجی و یادگیری ماشین

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط

عنوان فارسی:

چارچوب تجزیه-ادغام پیش‌بینی قیمت کربن بر اساس روش‌های اقتصادسنجی و یادگیری ماشین

عنوان انگلیسی:

A Decomposition-Integration Framework of Carbon Price Forecasting Based on Econometrics and Machine Learning Methods

کد محصول: H1155

سال نشر: 2025

نام ناشر (پایگاه داده): MDPI

نام مجله: Mathematics

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: ندارد

مدل مفهومی: مدل ریاضی دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 31 صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H1155)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده 

پیش‌بینی و قیمت‌گذاری کربن برای باثبات‌سازی بازارهای کربن، کاهش ریسک‌های سرمایه‌گذاری و تقویت توسعه اقتصادی، امری حیاتی است. این مقاله چارچوب پیشرفته تجزیه-ادغام را ارائه می‌دهد که مدل‌های اقتصادسنجی را به‌طور یکپارچه با تکنیک‌های یادگیری ماشین ترکیب می‌کند تا پیش‌بینی قیمت کربن را بهبود بخشد. در ابتدا، روش تجزیه مد تجربی کامل با نویز تطبیقی (CEEMDAN) برای تجزیه داده‌های قیمت کربن به مؤلفه‌های مُدال گسسته که هر کدام با ویژگی‌های فرکانسی خاص تعریف می‌شوند، به کار گرفته می‌شود. سپس، الگوریتم‌های پیچیدگی لمپل-زیو (Lempel–Ziv) و آنتروپی پراکندگی برای تحلیل این مؤلفه‌ها به منظور شناسایی ویژگی‌های فرکانسی منحصربه‌فرد آن‌ها استفاده می‌شوند. متعاقباً، این چارچوب از مدل‌های GARCH برای پیش‌بینی مؤلفه‌های فرکانس بالا و همچنین از یک شبکه عصبی واحد بازگشتی گیتی (GRU) که با الگوریتم گرگ خاکستری بهینه‌سازی شده است، برای مؤلفه‌های فرکانس پایین بهره می‌برد. در نهایت، مدل GRU بهینه‌شده برای ادغام غیرخطی این نتایج پیش‌بینی، با هدف اطمینان از یک پیش‌بینی جامع و دقیق، مورد استفاده قرار می‌گیرد. شواهد تجربی نشان می‌دهد که این چارچوب نه تنها مشخصات متنوع مؤلفه‌های مختلف داده را به‌طور دقیق ثبت می‌کند، بلکه از مدل‌های معیار سنتی از نظر دقت پیش‌بینی نیز به‌طور قابل توجهی بهتر عمل می‌کند. با بهینه‌سازی مدل GRU با الگوریتم بهینه‌ساز گرگ خاکستری (GWO)، در حالی که رویکرد ادغام غیرخطی به‌طور مؤثری انباشت خطا را کاهش می‌دهد،  این چارچوب نیز  هم ثبات و هم انطباق‌پذیری پیش‌بینی را افزایش می‌دهد. این چارچوب نوآورانه، ابزاری علمی دقیق و کارآمد برای پیش‌بینی قیمت کربن ارائه می‌دهد و بینش‌های ارزشمندی را برای سیاست‌گذاران و فعالان بازار در معاملات کربن فراهم می‌کند.

کلیدواژه‌ها: پیش‌بینی قیمت کربن؛ CEEMDAN؛ GARCH؛ GRU؛ سری زمانی

Abstract: Carbon price forecasting and pricing are critical for stabilizing carbon markets, mitigating investment risks, and fostering economic development. This paper presents an advanced decomposition-integration framework which seamlessly integrates econometric models with machine learning techniques to enhance carbon price forecasting. First, the complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) method is employed to decompose carbon price data into distinct modal components, each defined by specific frequency characteristics. Then, Lempel–Ziv complexity and dispersion entropy algorithms are applied to analyze these components, facilitating the identification of their unique frequency attributes. The framework subsequently employs GARCH models for predicting high-frequency components and a gated recurrent unit (GRU) neural network optimized by the grey wolf algorithm for low-frequency components. Finally, the optimized GRU model is utilized to integrate these predictive outcomes nonlinearly, ensuring a comprehensive and precise forecast. Empirical evidence demonstrates that this framework not only accurately captures the diverse characteristics of different data components but also significantly outperforms traditional benchmark models in predictive accuracy. By optimizing the GRU model with the grey wolf optimizer (GWO) algorithm, the framework enhances both prediction stability and adaptability, while the nonlinear integration approach effectively mitigates error accumulation. This innovative framework offers a scientifically rigorous and efficient tool for carbon price forecasting, providing valuable insights for policymakers and market participants in carbon trading.

Keywords: carbon price forecasting; CEEMDAN; GARCH; GRU; time series

۱. مقدمه

با پیشرفت سریع جامعه بشری، سالانه انتشار گازهای گلخانه‌ای در سطح جهان به طور مدام افزایش می یابد. در سال ۲۰۲۳، انتشار جهانی کربن به ۳۷.۴ میلیارد تن رسید که نشان‌دهنده افزایش ۱.۱ درصدی نسبت به سال ۲۰۲۲ است (انتشار CO2 در ۲۰۲۳-تحلیل-IEA). در پاسخ به این وضعیت، کشورهای مختلف و سازمان‌ها اقداماتی را برای مهار انتشار دی‌اکسید کربن اجرا کرده‌اند. یکی از استراتژی‌های مؤثر برای کاهش انتشار کربن، قیمت‌گذاری کربن است [۱] که شامل ابزارهایی مانند بازارهای معاملات کربن و مالیات کربن می‌شود [۲، ۳]. معاملات کربن، به عنوان یک ابزار مبتنی بر بازار، نه تنها صرفه‌جویی در انرژی را تشویق می‌کند، بلکه پیشرفت در فناوری‌های کم‌کربن را تسریع می‌بخشد و سرمایه‌گذاری شرکت‌ها در انرژی پاک را افزایش می‌دهد [۴، ۵]. در مقایسه با مالیات کربن، معاملات کربن به‌طور کلی مزایای اقتصادی بهتری در کاهش مؤثر انتشار کربن ارائه می‌دهد [۶] و آن را به یک رویکرد مقرون‌به‌صرفه تبدیل می‌کند…

1. Introduction As human society progresses rapidly, there is a consistent annual increase in global greenhouse gas emissions. In 2023, worldwide carbon emissions reached 37.4 billion tons, reflecting a 1.1% rise from 2022 (CO2 Emissions in 2023-Analysis-IEA). In response, various countries and organizations have implemented measures to curb carbon dioxide emissions. One effective strategy for reducing carbon emissions is carbon pricing [1], which encompasses tools such as carbon trading markets and carbon taxes [2,3]. Carbon trading, as a market-based instrument, not only encourages energy conservation, but also accelerates advancements in low-carbon technologies and enhances corporate investments in clean energy [4,5]. When compared to carbon taxes, carbon trading tends to offer superior economic benefits in effectively mitigating carbon emissions [6], making it a particularly cost-effective approach…

۶. نتیجه‌گیری

پیش‌بینی دقیق قیمت کربن برای کسب‌وکارها به‌منظور کاهش ریسک‌های عملیاتی و بهبود تصمیم‌گیری حائز اهمیت است. برای سیاست‌گذاران، نقش مهمی در حفظ ثبات بازار و ترویج پایداری زیست‌محیطی ایفا می‌کند. با این حال، پیش‌بینی قیمت کربن به دلیل رفتار غیر ایستا، پیچیدگی‌های غیرخطی و نوسانات بالا، همچنان یک چالش قابل توجه باقی مانده است. این مطالعه یک چارچوب نوین تجزیه-ادغام، CEEMDAN-GWO-GRU/GARCH-GRU، را برای پیش‌بینی قیمت کربن در چین معرفی می‌کند که از نقاط قوت مدل‌های اقتصادسنجی و تکنیک‌های یادگیری ماشین از منظر چندمقیاسی بهره می‌برد…

6. Conclusions Accurate carbon price prediction is crucial for businesses to mitigate operational risks and enhance decision-making. For policymakers, it plays a vital role in maintaining market stability and promoting environmental sustainability. However, predicting carbon prices remains a significant challenge due to their non-stationary behavior, nonlinear complexities, and high volatility. This study introduces a novel decomposition-integration framework, CEEMDAN-GWO-GRU/GARCH-GRU, for carbon price forecasting in China, leveraging the strengths of both econometric models and machine learning techniques from a multiscale perspective….